Hinzufügen von Parametern zum Projekt ML
Die Definition von Parametern in MLflow Projects ermöglicht es dir, deinen ML Code reproduzierbar zu machen. Die Parameter vereinfachen auch die Durchführung von Trainingsexperimenten mit unterschiedlichen Einstellungen, ohne dass der Code geändert werden muss.
In dieser Übung fügst du deiner MLproject Datei Parameter für den Haupteinstiegspunkt hinzu. Dieser Einstiegspunkt wird verwendet, um das Skript train_model.py auszuführen, das ein logistisches Regressionsmodell aus Versicherungsdaten trainiert.
Das Skript akzeptiert zwei Parameter, n_jobs und fit_intercept, die als Hyperparameter für das Training des Modells verwendet werden. Du beginnst mit dem Hinzufügen des Parameters n_jobs in der Datei MLproject. Du fügst dann den Parameter fit_intercept hinzu. Schließlich fügst du die Parameter zu dem Befehl hinzu, der im Haupteinstiegspunkt ausgeführt wird.
Diese Übung ist Teil des Kurses
Einführung in MLflow
Anleitung zur Übung
- Erstelle einen Parameter namens
n_jobsmit dem Typintund dem Standardwert1. - Erstelle einen zweiten Parameter namens
fit_interceptals Typboolmit einem Standardwert vonTrue. - Gib beide Parameter in den Befehl ein und achte darauf, dass
n_jobsder erste Parameter ist, gefolgt vonfit_intercept.
Interaktive Übung zum Anfassen
Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.
"""
name: insurance_model
python_env: python_env.yaml
entry_points:
main:
parameters:
# Create parameter for number of jobs as n_jobs
____:
____: ____
____: ____
# Create parameter for fit_intercept
____:
____: ____
____: ____
# Add parameters to be passed into the command
command: "python3.9 train_model.py {____} {____}"
"""